# 浙大与阿里提出 MetaCompress：只看图片就能学会压缩 Token，多轮视觉问答压缩率 90% 且精度不掉

> 原标题：只看图片就能学会压缩Token！浙大&amp;阿里新框架多轮VQA压缩率90%，精度不掉｜CVPR 2026

- 来源：量子位 · 公众号
- 发布时间：2026-05-07T13:36:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/16538
- 原文：https://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247889236&idx=3&sn=c7df379968508005e66d604552a3e491

## 摘要

这篇 CVPR 2026 论文介绍了一个叫 MetaCompress 的框架，专门解决多轮视觉问答里图片 Token 太多、推理太贵的问题。它的做法是让模型只看输入图片，自己生成一张“压缩映射图”，直接决定哪些视觉 Token 该留、哪些该扔，不需要额外训练一个压缩网络。文章给出的核心数据是：能砍掉 90% 的视觉 Token，同时保持回答精度不降。

## 推荐理由

浙大与阿里提出 MetaCompress，让模型仅凭输入图片生成压缩映射图来决定视觉 Token 取舍，在多轮视觉问答中砍掉 90% 的 Token 而精度不降。

## 锐评

90% 的视觉 token 砍掉精度不掉，这个数我不太敢信，没给具体 benchmark，也没说多轮 VQA 的精度怎么算。思路本身挺干净，不用文本引导，让模型自己看图生成压缩映射，省掉一个额外训练的压缩网络，工程上少一层依赖。真开源的话，做多模态推理的可以直接拉下来测显存和延迟，多轮反复调图的场景 token 账单能省不少。CVPR 2026 挂着，浙大加阿里，研究信号够，先看代码。
